使用深层强化学习训练神经网络来实现自动驾驶规划栈中的控制系统，不仅使模拟环境中的自动驾驶汽车能够在没有障碍物的情况下平稳、安全地行驶，在真实世界城市中也能表现出良好的泛化能力。

Jul, 2022

提出了一个新的端到端自动驾驶范式，自动驾驶的关键在于预测自车和周围环境随着时间的演变，通过生成建模问题通过 GenAD 框架，模型了自动驾驶问题，并在广泛使用的 nuScenes 基准测试中取得了高效的最新成果。

Feb, 2024

本文介绍了自动驾驶学科中第一个大规模视频预测模型。通过从网络获取大量数据并与多样且高质量的文本描述配对，我们消除了高成本数据收集的限制并增强了模型的泛化能力。该数据集积累了超过 2000 小时的行驶视频，涵盖了全球各地不同的气候条件和交通场景。我们的模型名为 GenAD，并继承了最近潜变扩散模型的优点，利用新颖的时间推理块处理行驶场景中具有挑战性的动态。我们展示了它可以以零 - shot 方式泛化到各种未见过的行驶数据集，超过了一般或专门针对行车的视频预测模型。此外，GenAD 可以适应动作条件化预测模型或运动规划器，具有在实际行驶应用中巨大潜力。

Mar, 2024

本文提出了一种基于模块化架构的学车任务分解方法，在障碍感知、目标预测和规划方面均取得了优秀的方法，并在 CARLA 模拟器上实现了最新的优秀结果。

Dec, 2022

自动驾驶有潜力彻底改变个人、公共和货物运输的机动性。通过准确感知环境并利用可获得的传感器数据，自动驾驶需要规划一条安全、舒适和高效的运动轨迹。为了提高安全性和前进步伐，许多研究依赖于预测周围交通的未来运动。模块化的自动驾驶系统通常将预测和规划作为顺序独立的任务处理。然而，这种方法虽然考虑到了周围交通对自车的影响，却未能预测交通参与者对自车行为的反应。最近的研究表明，将预测和规划整合为相互依赖的联合步骤是实现安全、高效和舒适驾驶的必要条件。本研究系统回顾了基于深度学习的预测、规划和集成预测规划模型的最新进展。考虑到模型架构、设计和行为方面，综合了集成的不同方面，并将它们相互关联。此外，我们讨论了不同集成方法的意义、优势和限制。通过指出研究中的空白、描述相关的未来挑战以及突出研究领域的趋势，我们确定了未来研究的有希望的方向。

Aug, 2023

本文提出了 DeepRoad，是一个无监督的框架，它可以通过使用生成对抗网络以及对应的现实天气场景，自动生成各种天气条件下的准确驾驶场景，用于测试 DNN 自动驾驶系统的一致性，并在三个认可的 DNN 自动驾驶系统上进行了实验，证明了 DeepRoad 可以检测出数千种行为不一致性。

Feb, 2018

在这项工作中，我们提出了一种汽车传感器丰富的平台和学习算法用于机动预测，该平台使用多个传感器流并联学习以提前预测机动，并提出了一种新颖的训练流程，我们提供了一个包含 1180 英里自然高速公路和城市行驶数据集，在现实时间内可以预测 3.5 秒的机动，精确度和召回率分别为 90.5％和 87.4％。

Jan, 2016

研究利用深度强化学习提出了一个用于自动驾驶的框架，其中包含了包含循环神经网络的信息集成和关注模型用于减少嵌入式硬件的计算复杂度，并在 TORCS 仿真器中验证了其自主操纵能力

Apr, 2017

本文旨在调查深度学习技术在自驾车领域中的最新进展及其强项与局限性，涵盖了基于人工智能的自动驾驶架构、卷积和循环神经网络、深度强化学习范式等内容，以及感知、路径规划、行为仲裁和运动控制算法。同时，重点探讨了当今在设计自动驾驶人工智能架构中所面临的挑战，如安全性、训练数据源和计算硬件等。

Oct, 2019

基于多模态大语言模型和扩散技术，我们提出了一种自主驾驶世界模型 ADriver-I，该模型以交织的视觉 - 动作对为基础，能够预测当前帧的控制信号，并使用历史的视觉 - 动作对和生成的控制信号来预测未来的帧，通过无限反馈循环，ADriver-I 实现了自主驾驶。我们通过在 nuScenes 和大规模私有数据集上进行广泛实验，证明了 ADriver-I 在性能上的卓越表现，希望该模型能为未来自主驾驶和具身智能提供新的洞见。

Nov, 2023